P. 1
Pronósticos de demanda

Pronósticos de demanda

|Views: 403|Likes:
Publicado porbrayan0227

More info:

Published by: brayan0227 on Jan 27, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/06/2014

pdf

text

original

16/06/2010

PRONÓSTICOS DE DEMANDA
• • • • • • Universidad del Cauca Facultad de Ciencias Agropecuarias Programa de Ingeniería AgroindUstrial Mg. Andrés Mosquera

Definición de Pronóstico
Método Estadístico que analiza los datos históricos de la demanda, para suministrar un valor estimado de esta misma en un futuro. Los sistemas de pronósticos se utilizan usualmente en la predicción de eventos futuros como:
Planeación de Producción Planeación Financiera Control de Procesos Planeación de Inversiones Planeación de actividades de servicio Administración de Inventarios

Necesidad de pronosticar

Objetivos de los Pronósticos
Inferir mediante herramientas matemáticas y cualitativas, cual será el comportamiento de la(s) variable(s) de interés de un proceso en el futuro. Conocer la variabilidad del proceso. Determinar el tipo de patrón que sigue el proceso (uniforme, con tendencia, estacional, errático, etc.) Establecer herramientas de control, que mantengan el proceso dentro de ciertos límites especificados especificados. Reducir costos por inventarios excesivos. Reducir las pérdidas por no tener inventario disponible.

• Entorno altamente incierto • La intuición no necesariamente da los l mejores j resultados • Mejorar la planeación • Competitividad y cambio
Los pronósticos de demanda siempre estarán errados; la clave radica en conocer a fondo los errores del pronóstico y responder a ellos en forma adecuada mediante la utilización de inventarios de seguridad

• • • • •

1

volatilidad de la demanda y estacionalidad. la planeación de producción. Integrar la planeación de la demanda con los pronósticos: Deben considerarse la planeación de capacidad. para una semana. coincide con el período del pronóstico. A menudo. Utilizar diferentes métodos de pronósticos para cada segmento puede ser muy útil. suministro (especialmente con relación a su Lead Time) y fenómenos relativos a los productos (interrelaciones entre productos y pronóstico conjunto). DATOS HISTÓRICOS Selección e inicialización del modelo Posibles modificaciones del modelo o sus parámetros MODELO MATEMÁTICO Demanda real observada • INTERVENCIÓN HUMANA Pronóstico estadístico • PRONÓSTICO DE DEMANDA CÁLCULO DE ERRORES DE PRONÓSTICO • • Demanda no servida Demanda promedio d = Semana 1 2 3 4 5 6 7 8 9 10 11 12 Ventas 10 9 3 5 3 3 0 0 0 0 2 2 ∑x t =1 n Elementos de tiempo en un sistema de pronósticos Semana 1 2 3 4 5 6 7 8 9 10 11 12 Demanda 10 9 3 5 3 3 4 7 3 5 2 2 t n Demanda promedio = 3. volúmenes de demanda.67 unidades 2 .67 unidades Desviación estándar σ d = Demanda promedio d = ∑x t =1 n t ∑ ( xt − xt ) 2 t =1 n • Período del pronóstico: Unidad básica de tiempo para la cual será realizado el pronóstico. el mercadeo y las promociones y las actividades de compras (Integración a nivel del sistem de información y del personal). para las próximas diez semanas.16/06/2010 Ambiente general de un sistema de pronósticos • Elementos para implementar un sistema efectivo de pronósticos • Comprender el objetivo de los pronósticos: Un sistema de pronósticos puede tener diversos objetivos y puede involucrar varias etapas de la cadena de suministro. Identificar y comprender la segmentación de clientes: Agrupar clientes por sus similitudes en niveles de servicio. n −1 Desviación estándar = 2. los grupos de productos y la segmentación de clientes.40 unidades n Demanda promedio = 4. Por ejemplo. frecuencia de órdenes. Determinar la técnica apropiada de pronósticos: Comprender los aspectos relevantes para el sistema de pronósticos. Identificar los factores básicos que influencian el pronóstico: Factores como demanda (patrón de demanda y nó de ventas). • Horizonte del pronóstico : Número de períodos en el futuro q que serán cubiertos por el p pronóstico. Establecer mediciones del error del pronóstico: Medir los errores del pronóstico provee de una poderosa herramienta de control de inventarios. Por ejemplo.08 unidades Desviación estándar σ d = ∑ (x t =1 n t − xt ) 2 n −1 Desviación estándar = 3. tales como el área geográfica. • Intervalo del pronóstico : Es la frecuencia con que el nuevo pronóstico será preparado.

para sistema de revisión periódica n Error Cuadrático Medio ( ECM ) ECM = ∑ (x t =1 t ˆ − xt ) 2 k = 1. Fundamental porque: Permiten estimar la variabilidad de la demanda Permiten determinar la conveniencia del modelo Ilustran al administrador para su intervención los y del de Precisión (error) en el pronóstico ˆ Error del pronóstico et = xt − xt ˆ Error absoluto et = xt − xt ˆ Error cuadrático et = (xt − xt ) 2 2 Estimación de la desviación estándar de la demanda sobre el periodo básico del pronóstico σ e = 1. et = error del pronóstico de demanda para el periodo t .5% 2. válido para cualquier distribución Donde. ˆ xt = pronóstico de demanda para el periodo t .33 para Nivel de servicio del 99 % n 3 . Se mide la confiabilidad de una técnica de pronóstico.16/06/2010 Causas de imprecisión en los sistemas de pronósticos • • • • • • • Utilización de datos poco confiables Utilización de datos de ventas y no de demanda Sesgos en los pronósticos Velocidad de respuesta al cambio p Comportamiento de los proveedores Casos especiales de demanda en los pronósticos Selección del período de los pronósticos Indicadores de eficiencia de un sistema de pronóstico • Precisión • Costo • Utilidad de resultados • Estabilidad respuesta sistema pronósticos Se compara la precisión de dos o más técnicas de pronóstico. ECM: es el promedio de los errores cuadráticos sobre un número determinado de periodos Estimación del Inventario de seguridad IS = k σ L = k σ e IS = k σ R + L = k σ e ∧ ∧ ∧ ∧ MAD = ∑x t =1 n n t ˆ − xt L .96 para Nivel de servicio del 97 . realizado a lg ún tiempo antes Estimación de la desviación estándar de la demanda sobre el periodo básico del pronóstico σ L = σ e L para sistema de revisión continua σ R + L = σ e R + L para sistema de revisión periódica ∧ ∧ ∧ ∧ Desviación Absoluta Media MAD: es el promedio de los errores absolutos sobre un número determinado de periodos. xt = valor real de la demanda en el periodo t .65 para Nivel de servicio del 95 % 1. para sistema de revisión continua R + L .25 * MAD. asume normalidad σ e = ECM . Se busca la técnica óptima.

16/06/2010 Coeficiente de Variación de la Demanda σ demanda X demanda Sistema de pronósticos y la clasificación ABC Características Ítems clase A Políticas de control Control estricto con supervisión personal Comunicación directa con la administración y los proveedores Aproximación a JIT Cubrimiento de existencias entre 1 y 4 semanas Políticas de control Control clásico de inventarios Administración por excepción Cubrimiento de existencias entre 2 y 8 semanas Políticas de control Supervisión mínima Pedidos bajo orden Tamaños de orden grandes Políticas de cero o de alto inventario de seguridad Cubrimiento de existencias entre 3 y 20 semanas Métodos de control Monitoreo frecuente y continuo Registros precisos Suavización exponencial doble Políticas basadas en el nivel de servicio al cliente Métodos de control Sistema de control computarizado clásico Suavización exponencial simple Reporte por excepciones Métodos de control Sistema de control simple Promedio móvil (aceptar el pronóstico) Evitar agotados y exceso de inventarios Larga frecuencia de ordenes Sistema automático Relativamente pocos ítems (muy importantes) El mayor porcentaje del volumen de ventas ($) CVD = Si CVD es ≥ 1.0051 1 3 5 7 9 11 13 15 17 19 21 23 SE N S MA A Demanda perpetua creciente y = 6.413 R2 = 0.2343x + 34.207x + 66. el comportamiento es errático l t i t áti Si CVD es ≤ 1. el comportamiento es estacionario o perpetua Características Ítems clase B Ítems importantes Volumen de ventas ($) considerable Características Ítems clase C Muchos ítems Bajo volumen de ventas (en $) Pocos movimientos o ítems de muy bajo valor unitario Análisis de datos históricos y patrones de demanda 120 100 Análisis de datos históricos y patrones de demanda 250 200 UNIDAD Unid dade 80 60 40 20 0 1 3 5 7 9 11 13 15 17 19 21 23 SE N S MA A Item 1 Lineal (It Li l (Item 1) Lineal (Item 1) 150 100 50 0 Item 2 Lineal (Item 2) y = 0.029 R2 = 0.8215 Demanda perpetua o uniforme 4 .

Es un patrón de cambio que se repite a sí mismo periodo tras periodo Concepto Sistema de pronóstico recomendado Promedio móvil o suavización exponencial simple Suavización exponencial doble Con tendencia creciente o decreciente Estacional o periódica Modelos periódicos de Winters Demandas altamente correlacionadas Errática (ítems de clase A de bajo movimiento) No muestra un patrón definido de comportamiento en el tiempo de la evaluación Métodos integrados de promedios móviles auto-regresivos (ARIMA) Pronóstico combinado de tiempo entre la ocurrencia de demandas consecutivas y la magnitud de las transacciones individuales (Método de Croston y variaciones) Demanda creciente y luego uniforme 5 .1205 Análisis de datos históricos y patrones de demanda Demanda decreciente Demanda estacional Análisis de datos históricos y patrones de demanda 60 50 De emanda 40 30 20 10 0 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 Semana y = 0.026 Semana R 2 = 0.0782x + 14.16/06/2010 Análisis de datos históricos y patrones de demanda 30 25 Demanda 20 15 10 5 0 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 y = -0.012 R2 = 0.5277 Serie2 Lineal (Serie2) ( ) Selección del tipo de pronóstico Patrón de demanda Perpetua o uniforme Es el componente de largo plazo que representa el crecimiento o disminución en la serie sobre un periodo amplio.3273x + 10.

Mes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Demanda 122 181 195 171 183 236 144 174 215 267 183 115 366 199 244 Pronóstico Error Error absoluto ECM Gráfica para el ejemplo 264 203 202 199. Se sugiere probar con diferentes valores de N El mejor N es el valor que minimice la MAD Mes Ejemplo de Promedio Móvil Demanda Mes Demanda 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 122 181 195 171 183 236 144 174 215 267 183 115 366 199 244 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 264 203 202 195 240 188 151 197 151 171 171 196 241 123 230 xt = b + ε t .289 4.133 8.140 6 .467 34. donde xt = valor real de la demanda en el periodo t b es una cons tan te que representa el proceso de demanda uniforme ε t es una var iable aleatoria imposible de pronostica r Suma de demandas de las últimas N semanas Pr onóstico semanal = N x + xT −1 + xT − 2 + .778 37. Otorga el mismo peso a los últimos N datos de demanda. + xT − N +1 MT = T N x − xT − N M T = M T −1 + T N Se tiene un producto que cuenta con la siguiente demanda para 30 periodos de tiempo (meses).133 210.618 73.200 1.960 25.138.692.133 -8..333 -6. con poca o ninguna tendencia Sugerido para los ítems clase C y posiblemente para algunos B.387.133 64. • Determine el patrón de comportamiento p de la demanda • Realice los cálculos del pronóstico a partir del periodo 16.667 209..600 -204.600 SUMAS MAD o ECM Desv Estánd Estimada 64. El promedio móvil es la media aritmética de los N periodos más recientes.16/06/2010 Pronósticos de Promedio Móvil • • • • • Adecuado para un modelo de demanda perpetuos.480 41. Grafique. • Pruebe la solución con diferentes valores de N.631 43.600 519.333 6.

• Se calcula el valor de St para cada semana 7 . • Pruebe el comportamiento del pronóstico con diferentes valores de N. Semana 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 Demanda 53 85 43 47 48 73 23 116 67 39 81 67 58 51 52 51 65 56 46 Semana 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 Demanda 75 47 69 59 54 46 44 51 41 77 69 54 76 88 55 74 46 49 80 • Se requiere conocer el valor de So.α) al pronóstico anterior Ecuaciones y arranque del modelo SELECCIÓN DE LA CONSTANTE DE SUAVIZACIÓN • Se recomiendan valores mayores que 0.16/06/2010 Mes Demanda 92 127 117 88 114 99 122 96 84 64 117 127 92 80 105 121 99 120 50 190 117 99 128 119 113 Mes 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 Demanda 72 85 105 109 96 98 109 85 103 124 114 97 89 144 94 105 113 96 125 118 97 135 147 110 103 Otro ejemplo……. a través de la simulación del pronóstico y con base en la MAD. La ecuación aplica un peso α a la última observación de demanda y un peso (1. absoluto. • Diseñe una hoja electrónica en donde se determine el valor de arranque y los demás pronósticos de los periodos. – – Valores muy grandes hacen que el pronóstico responda de manera acelerada a cambios del proceso Valores muy pequeños hacen que el pronóstico no responda de manera acelerada a cambios del proceso • • • Se puede determinar un α óptimo. A continuación se muestran los datos de las semanas 52 a 89. Pueden utilizarse valores de α diferentes dependiendo del estado del proceso. Existen métodos auto-adaptivos (automáticos). Las ponderaciones se asignan mediante la constante α. así como el de St de esta semana como el pronóstico de la semana siguiente. d t t lt • El valor de So se toma como valor del pronóstico para la semana siguiente. Lo cual sugiere que debe supervisarse el pronóstico en su fase de inicio. – Si hay datos históricos suficientes.30. Cuál es el N óptimo? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Suavización Exponencial Simple • • • • El método de suavización exponencial puede dar una ponderación mayor a las observaciones más recientes. Iniciación de la Suavización Exponencial Simple • Ejemplo de Suavización Exponencial Simple Se dispone de una historia de 89 semanas de demanda para un ítem.2056 unidades). en el ECM o en otro criterio. en donde 0 < α < 1. tili i i i utilizando una constante alta. de acuerdo con las proporciones sugeridas. • Determine el comportamiento de la demanda y obtenga la ecuación de regresión lineal.01 y menores que 0. se recurre a un valor subjetivo. se puede tomar como el promedio de ellos – Si no se dispone de datos. Estime la desviación estándar de los errores del pronóstico. el error cuadrático y estime la MAD y el ECM. • Calcule el error del pronóstico el error pronóstico. Para arrancar el pronóstico de suavización exponencial simple se tomaron los datos históricos de las primeras 51 semanas y se obtuvo el promedio de las demandas (So= 65.

79 uds St ( 3) = 0.7255 uds St ( 3) = 0.245 uds St (3) = 0.556) = 113.9450.80 *113.1(85) + (0.2505 uds St ( 2 ) = 0.99 uds St ( 2) = 0. Día 1 2 3 4 5 6 7 8 9 10 Demanda 92 80 105 121 99 120 50 190 117 99 Día 11 12 13 14 15 16 17 18 19 20 Demanda 128 119 113 72 85 105 109 96 98 109 Día 21 22 23 24 25 26 27 28 29 30 Demanda 85 103 124 114 97 89 144 94 105 113 Día Demanda 96 125 118 97 135 147 110 103 31 32 33 34 35 36 37 38 Ejemplo de Suavización Exponencial Simple Ejemplo de Suavización Exponencial Simple S o = 128.556 uds St ( 2) = 0.245) = 111.2(80) + (0.2(105) + (0.596 uds 8 .9 * 66.2505) = 120.1530 uds d S o = 128.93 * 64.78 uds S o = 65.2056) = 63.1(105) + (0.7255) = 119.99) = 66.93 * 65.9 *125.9 * 63.07(43) + (0.9 *128.1(53) + (0.9450) = 121.19 uds Ejemplo de Suavización Exponencial Simple • Considere un ítem cuyos valores de demanda para los días 1 a 38 se muestran en la tabla siguiente.9450 uds St (1) = αx1 + (1 − α ) S 0 St (1) = 0.80 *121.80 *128.16/06/2010 Ejemplo de Suavización Exponencial Simple S o = 65.9 * 65.07(53) + (0.1(43) + (0.091) = 63.09 uds St ( 3) = 0.35) = 65.9450) = 125.2056) = 64.1(92) + (0.35 uds St ( 2 ) = 0.07(85) + (0.2056 uds St (1) = αx1 + (1 − α ) S 0 St (1) = 0.2056 uds St (1) = αx1 + (1 − α ) S0 St (1) = 0.1(80) + (0.93 * 65.2(92) + (0. El valor de arranque So ha sido calculado tomando el promedio de 25 días anteriores (no se muestran estos datos) y se ha hallado que es So= 128.79) = 64.9450 uds St (1) = αx1 + (1 − α ) S 0 St (1) = 0.9 *120.

16/06/2010 Ejemplo de Suavización Exponencial Simple Suavización Exponencial Doble • • • • Sugerida para los ítems clase A (y actualmente también para los B). Ecuaciones y arranque un poco más complejos. b1 y b2 cons tan tes xt = valor real de la demanda en el periodo t b1 = representa la componente cons tan te de la demanda b2 = representa la componente de tendencia de la demanda ατ ⎞ ατ ⎞ [2 ] ⎛ ⎛ ˆ xT (T ) = ⎜ 2 + ⎟ S 0 − ⎜1 + ⎟ S0 ⎝ 1−α ⎠ ⎝ 1−α ⎠ ε t = Variable aleatoria desconocida 9 . Adecuada para un modelo de demanda con tendencia lineal ( (creciente o decreciente) más una variación aleatoria: ) Ecuaciones Suavización Exponencial Doble ⎛1−α ⎞ ˆ ˆ Operador S 0 = b1 (0) − ⎜ ⎟ b2 (0) ⎝ α ⎠ ⎛1−α ⎞ ˆ [ ˆ Doble operador S 02 ] = b1 (0) − 2⎜ ⎟ b2 (0) ⎝ α ⎠ ˆ (0) corregido = a (0) + mb (0) ˆ ˆ b 1 1 2 ˆ ˆ ˆ Pr onóstico periodos base xT = b1 T + Tb2 ST periodos finales = αxT + (1 − α ) ST −1 ST periodos finales = αST + (1 − α ) S pe iodos [2 ] 2 T −1 T ατ ⎞ ατ ⎞ [2 ] ⎛ ⎛ ˆ Pr onóstico periodos finales xT +τ (T ) = ⎜ 2 + ⎟ S T − ⎜1 + ⎟ ST ⎝ 1−α ⎠ ⎝ 1−α ⎠ xt = b1 + b2t + ε t . La constante de suavización se puede escoger y optimizar de manera semejante a la de la suavización simple.

Determine: La tendencia de la demanda Los parámetros de iniciación del sistema El pronóstico para el periodo 51 El inventario de seguridad y el inventario máximo i t i á i Simule el proceso para diferentes valores de alpha y elija el más apropiado (grafique) Modifique el valor de k y analice las implicaciones de esta decisión Día 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Demanda 280 45 305 140 200 130 160 75 240 48 98 280 50 135 230 200 78 155 110 155 48 230 250 170 560 Día 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 Demanda 630 540 410 330 625 600 480 350 650 390 520 600 635 575 620 475 605 550 620 600 390 450 420 595 640 Ejercicio Suavización Exponencial Doble • 15 16 17 18 19 20 21 22 23 24 25 • 10 .8 c1σ ε cτ = 1 + Semana 1 2 3 4 5 6 7 8 9 Demanda 23 28 16 22 30 31 25 9 20 22 35 32 23 13 15 29 24 38 15 15 24 44 22 40 60 18 Semana 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 Demanda 39 53 56 19 51 41 30 52 44 51 59 45 53 37 56 29 54 38 29 51 33 27 65 43 48 Ejercicio Suavización Exponencial Doble α [(1 + 4β + 5β 2 ) + 2ατ (1 + 3β ) + 2α 2τ 2 ].16/06/2010 Ecuaciones Suavización Exponencial Doble Error suavizado Q (T ) = weT + (1 − W )QT −1 ˆ MAD(0) = 0. β = 1 − α (1 + β ) 3 m t =1 t ˆ σε = ∑ (x ˆ − xt ) 2 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 m−2 MAD suavizada = w eT + (1 − w) MADT −1 ECM inicial ECM (0) = ∑ (x t =1 m t ˆ − xt ) 2 m−2 ECM suavizado ECM T = we 2T + (1 − w) ECM T −1 QT Señal de rastreo en la semana T = MADT Inventario de seguridad = ECM T k ˆ Inventario máximo = xt + IST Ejercicio Suavización Exponencial Doble • • • • Los datos corresponden a la demanda de un ítem durante 50 días.

11 . cambios tecnológicos. • Las tendencias se dan por varias causas: cambios en la población. • En este tipo de análisis la variable independiente es el tiempo. etc. • La tendencia puede ser descrita por una recta o por una curva.16/06/2010 Ejercicio Suavización Exponencial Doble Ejercicio Suavización Exponencial Doble escomposición de series de tiempo • Las tendencias son movimientos a largo plazo en una serie de datos a lo largo del tiempo. cambios en la productividad.

4.1.4. Tendencia lineal: ejemplo 80 75 70 65 60 55 50 45 40 35 30 1994 1995 1996 1997 1998 1999 2000 2001 6.1. para encontrar una línea de mejor ajuste para un conjunto de puntos. Tendencia lineal: ejemplo Año 1994 1995 1996 1997 1998 1999 2000 2001 Periodo X Demanda (Y) 1 2 3 4 5 6 7 8 35 42 48 51 54 60 71 75 Y´ = a + bX • • • • Y´ = valor pronosticado en un periodo X a = valor de la tendencia cuando X = 0 b = pendiente de la recta de tendencia X = periodo (codificado) 6.4. Tendencia lineal: ejemplo X 1 2 3 4 5 6 7 8 Sumas Y 35 42 48 51 54 60 71 75 XY X² 12 .1. Tendencia lineal • El método más empleado para describir una tendencia lineal es el de mínimos cuadrados. 6.4.16/06/2010 6.1.

4. Tendencia lineal: fórmulas 6.1. Para ello es necesario calcular el error estándar de la estimación.4.1. ti ió r = [∑ ∑ ∑ ] [n∑ x − (∑ x) ][n∑ y − (∑ y ) ] 2 2 2 2 Se = ∑y 2 − a ∑ y − b∑ xy n−2 13 .4. a fin de evaluar qué tan correcta es la estimación de la recta de regresión. Tendencia lineal • También es posible calcular intervalos de confianza para la estimación.16/06/2010 6. Tendencia lineal • Se puede calcular el coeficiente de determinación.1.4. g • El coeficiente de determinación r² se calcula 2 n xy − x y como: 2 6.1. Tendencia lineal t 1 2 3 4 5 6 7 8 9 Yt 35 42 48 51 54 60 71 75 Y´t et b= a= n∑ xy − ∑ x ∑ y ∑ y −b∑x n n n∑ x 2 − (∑ x ) 2 6.

1. Yt 1 2 3 1 2 3 4 1 2 3 4 1 2 3 4 13618 12930 13138 16532 14514 14128 15568 17448 13984 13644 15898 19300 7.16/06/2010 6. • El proceso de ajuste estacional se realizará a través del cálculo de factores estacionales: Factor estacional = Prom. además de una marcada estacionalidad.4. Se procederá a desestacionalizar los datos. lo que permite observar hasta donde las variaciones se deben a efectos estacionales o bien. global Nivel de confianza 68% 95% 99% Z 1 2 3 Fórmula y’ ± Se y’ ± 2Se y’ ± 3Se Año Trim. periodo / prom. Aplicación de varios métodos a datos desestacionalizados • Los datos muestran alguna tendencia creciente a lo largo del tiempo. Tendencia lineal 7. Aplicación de varios métodos a datos desestacionalizados 20000 19000 18000 17000 16000 15000 14000 13000 12000 11000 10000 1 2 3 4 1 2 3 4 1 2 3 4 Trim e s tre s 14 . a otros factores.

00 13138.00 19300 00 14607.12 13306. Aplicación de varios métodos a datos desestacionalizados Año Factor T 1 2 3 Suma Prom Estac.00 12930.00 14128.00 13984. 1 13618 14514 13984 42116 10529 0 932 0.00 15898. 1 2 3 1 2 3 4 1 2 3 4 1 2 3 4 13618.00 14514.29 15568.987 3 4 16532 17448 19300 53280 13320 1.16/06/2010 7.932 3 2 12930 14128 13644 40702 10175 0.36 15680.00 16532.00 13644.70 16364 2 PRONÓSTICOS DE DEMANDA ESTACIONAL ACTUALIZACIÓN DE LOS PARÁMETROS DEL MODELO 15 .00 17448.901 0 3 13138 15568 15898 44604 11151 0.179 4 Año Trim.33 14017.86 15143.59 16101.27 14351.79 15767.96 14999.00 15568. Yt Yt ajust.47 14793.

tendencia y factores estacionales de inicio 16 .16/06/2010 Inicialización del sistema de pronósticos Ejemplo de demanda estacional: Consumo de gas natural en EEUU (1987 – 1992) Ejemplo de demanda estacional Componente permanente.

16/06/2010 Continuación factores estacionales Cálculos para actualizar el origen de tiempo Valores de inicio: Nuevo origen de tiempo 17 .

1998) . Este método combina el pronóstico de la probabilidad de ocurrencia de la demanda y estima el tamaño de ésta.16/06/2010 PRONÓSTICOS DE DEMANDA ERRÁTICA OTROS MÉTODOS DE PRONÓSTICOS DE DEMANDA ESTACIONAL Método aditivo de Winters Métodos de suavización directa que combinan diversas funciones matemáticas.. actualizando los parámetros solo cuando ocurre la demanda. Pronósticos acumulados Errores suavizados (1) 18 . como por ejemplo combinaciones de funciones trigonométricas de senos y cosenos Método de Croston (Taller de Silver et al.

6. 19 . Los valores máximos aceptables dependen de la aplicación y pueden variar de 0.2 a 0. entonces deben recalcularse los parámetros del modelo y/o revisarse el modelo que se está utilizando.16/06/2010 Errores suavizados (2) Señales de rastreo La señal de rastreo siempre está entre -1 y 1. Cuando dos o más señales de rastreo sucesivas sobrepasan el valor máximo.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->